O maior rival do OpenClaw chegou. Trata-se do Hermes Agent, a ferramenta de agentes open-source lançada pela Nous Research em fevereiro — e a recepção da comunidade foi entusiasta. Desde o lançamento no fim de fevereiro, o projeto já ultrapassou 40 mil estrelas no GitHub, evoluiu até a v0.8.0 com um release relevante praticamente a cada semana, atraiu mais de 240 contribuidores e mergeou 1.400 pull requests. Sua velocidade de atualização supera a grande maioria dos produtos comerciais de agentes, e o veredito da comunidade repete uma única frase: uma sensação de “substituir o OpenClaw”. O resumo de um usuário se espalhou amplamente: “Migrar para o Hermes é maravilhoso — a velocidade de resposta é ordens de magnitude mais rápida que a do OpenClaw.”
Um agente autônomo que vive no seu servidor
A Nous Research descreve o Hermes Agent como “um agente autônomo que roda no seu servidor” — uma IA privada implantada no seu próprio hardware, não uma locatária na nuvem de outra pessoa. Seis capacidades centrais encabeçam a descrição oficial: sempre com você — residente no seu servidor 24 horas por dia; melhora com o uso — aprende com a experiência e cria skills automaticamente; automação agendada — execução de tarefas cronometradas, tipo cron; delegação e paralelismo — colaboração multiagente; isolamento em sandbox — um ambiente de execução seguro; e controle total da web e do navegador — automação completa do navegador. Ele roda em um VPS de US$ 5 por mês ou em um cluster de GPUs, e custa quase nada enquanto ocioso. Você conversa com ele pelo Telegram, Discord, Slack, WhatsApp, Signal, SMS, Feishu ou WeCom — um único processo de gateway conecta todas as portas de entrada.
Memória → Skills → Dados de treino: o loop de três camadas
Aqui está o que realmente o diferencia. As skills do OpenClaw são mantidas por humanos; as skills do Hermes Agent são mantidas por ele mesmo. O conceito central é o “loop de aprendizado embutido”: o agente cria skills a partir da experiência, as aprimora com o uso, lembra proativamente a si mesmo de salvar conhecimento, busca em suas próprias conversas passadas e constrói, ao longo das sessões, um modelo cada vez mais profundo do seu usuário. A arquitetura funciona em três camadas. Camada um, memória: arquivos MEMORY.md e USER.md embutidos, além de recuperação entre sessões baseada em FTS5 com sumarização por LLM — ele consegue buscar conversas de semanas atrás e carrega ambos os arquivos centrais no início de cada sessão. Camada dois, skills: quando o agente completa uma tarefa complexa (tipicamente cinco ou mais chamadas de ferramenta), ele escreve automaticamente a experiência em um arquivo de skill estruturado; na próxima vez que uma tarefa semelhante surgir, ele invoca a skill em vez de raciocinar do zero — e, se descobrir uma abordagem melhor ao usá-la, atualiza a skill. Camada três, dados de treino: geração de trajetórias em lote embutida e o ambiente de aprendizado por reforço Atropos significam que os registros de chamadas de ferramenta que o agente produz no uso diário podem treinar diretamente a próxima geração de modelos. A memória se consolida em skills; as skills alimentam o treino; o treino eleva o modelo; o modelo melhor retorna ao agente.
O que ele realmente consegue fazer
Cenário um: monitoramento automatizado de inteligência. Escreva uma única instrução cron em linguagem natural — “verifique estes repositórios do GitHub em busca de novos releases todas as manhãs às 8 e envie resumos para o meu Telegram” — e o agente executa em segundo plano, sem supervisão, através do gateway. Cenário dois: programação com memória. Para muitos desenvolvedores, ele se torna um parceiro de programação que nunca perde o contexto: lembra da estrutura do seu codebase, dos seus hábitos de nomenclatura, dos seus procedimentos e histórico de deploy. Cenário três: conversa sem emendas entre plataformas. Comece uma conversa no Telegram no celular e continue no terminal quando voltar para a mesa; envie um áudio e ele transcreve automaticamente e encaminha para a próxima etapa do processamento.
A linha de versões revela a estratégia
O histórico de releases desenha com clareza a filosofia do produto: v0.5.0 (release de robustez) — mais de 50 correções de segurança e confiabilidade; v0.7.0 (release de resiliência) — capacidade de longa duração com arquitetura de memória plugável e rotação de pools de credenciais; v0.8.0 (release de inteligência) — notificações de tarefas em segundo plano, troca de modelo em tempo real e MCP com OAuth 2.1. Da segurança, à estabilidade, à inteligência: essa sequência reflete um julgamento real sobre como produtos de agentes devem amadurecer.
Um comando, cinco dólares
O caminho oficial de instalação é um único comando padrão:
curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bashA configuração mais direta: alugue um VPS barato, faça SSH, rode a instalação. Depois execute hermes setup para inicializar — escolha seu provedor de LLM, cole sua chave de API, selecione um modelo e comece a conversar. O Hermes Agent suporta Nous Portal, OpenRouter, OpenAI, Anthropic, Google Gemini, xAI, z.ai, Kimi e MiniMax, além do Ollama local e qualquer endpoint compatível com OpenAI. Migrando do OpenClaw? hermes claw migrate importa suas configurações, memórias e skills existentes de uma só vez.
Quem o constrói treina modelos para viver
A Nous Research não é um projeto de garagem. Fundada em 2023 com uma equipe de cerca de 20 pessoas, já levantou US$ 65 milhões — incluindo uma Série A de US$ 50 milhões liderada pela Paradigm. Seus quatro fundadores vêm diretamente da pesquisa e da engenharia, sendo mais conhecidos anteriormente pelas famílias de modelos open-source Hermes, Nomos e Psyche. O trabalho original dos fundadores era treinar modelos de grande porte — o que significa que eles talvez entendam melhor do que qualquer equipe de frameworks de agentes exatamente onde os LLMs falham em chamadas de ferramentas e planejamento de longo prazo. Treinadores de modelos construindo o agente, e dados do agente fluindo de volta para o treino: isso não é coincidência. É design.
O momento da IA privada autoevolutiva
“Um agente que cresce com você.” Por trás do slogan, a Nous Research aposta numa rota específica: um agente não deveria ser uma API de invocação única, mas algo privado, residente, acumulativo — e, em última análise, capaz de alimentar o próprio treinamento. Essa posição praticamente inverte os serviços de agentes em nuvem mainstream de hoje, que lembram um modelo hospedado de usar-e-despedir. O Hermes Agent quer que essas capacidades permaneçam nas mãos do usuário. Cinco dólares para deploy local, com memória e resistência à amnésia — o funcionário cibernético dedicado já está no mercado de trabalho. Pela primeira vez, o momento da IA privada autoevolutiva parece ter chegado de verdade. Referências: GitHub - Hermes Agent · site oficial.
